Asian Journal of Multidimensional Research (ajmr)

TABLE 1 PROBABILITIES 

PROBABILITIES OF ONE PERSON SHIFTING TO ANOTHER GENRE 

 

Genre 

Comedy 

Drama  

Romance 

Thriller 

Sci-fi 

Action 

Horror 

 

 

Comedy 

0.89 

0.65 

0.74 

0.94 

0.71 

0.15 

0.92 

 

 

Drama  

0.70 

0.27 

0.49 

0.83 

0.22 

0.72 

0.65 

 

 

Romance 

0.36 

0.61 

0.93 

0.88 

0.05 

0.22 

0.65 

 

 

Thriller 

0.09 

0.01 

0.97 

0.48 

0.88 

0.86 

0.03 

 

 

Sci-fi 

0.52 

0.56 

0.86 

0.66 

0.09 

0.29 

0.09 

 

 

Action 

0.74 

0.65 

0.42 

0.64 

0.58 

0.31 

0.20 

 

 

Horror 

0.188887  0.936526  0.753471 

0.180776  0.226616  0.953868  0.38665 

 

 

 

[Source: Authors] 

TABLE 

2 

RESULTS 

Result 

of  the  assignment 

problem 

formulated. 

 

 

 

 

 

 

 

 

 

 

 

 Genre 

 

Comedy 

Drama  

Romance 

Thriller 

Sci-fi 

Action 

Horror 

 

 

 

Comedy 

0.00 

0.00 

0.00 

1.00 

0.00 

0.00 

0.00 

 

 

Drama  

1.00 

0.00 

0.00 

0.00 

0.00 

0.00 

0.00 

 

 

Romance 

0.00 

0.00 

0.00 

0.00 

0.00 

0.00 

1.00 

 

 

Thriller 

0.00 

0.00 

0.00 

0.00 

1.00 

0.00 

0.00 

 

 

Sci-fi 

0.00 

0.00 

1.00 

0.00 

0.00 

0.00 

0.00 

 

 

Action 

0.00 

1.00 

0.00 

0.00 

0.00 

0.00 

0.00 

 

 

Horror 

0.00 

0.00 

0.00 

0.00 

0.00 

1.00 

0.00 

 

 

[Source: Authors] 

TABLE 3 

CONCLUSION 

Conclusion of the assignment problem formulated. 

1 

Comedy 

-> 

Drama 

2 

Drama 

-> 

Action 

3 

Romance  -> 

Sci-Fi 

4 

Sci-fi 

-> 

Thriller 

---

ISSN: 2278-4853         Vol 10, Issue 9, September, 2021        Impact Factor: SJIF 2021 = 7.699 

Asian Journal of Multidimensional Research (AJMR)

 

https://www.tarj.in

 

682 

 

AJMR 

5 

Action 

-> 

Horror 

6 

Horror  

-> 

Romance 

[Source: Authors] 

4.

 

ANALYSIS  

According to the randomly generated data and processing the sameusing an assignment problem, 

it is observed that a user prefers watching drama after a comedy series/movie. Moreover, the user 

wants to see an action movie/series once they are done watching drama. Horror follows this, and 

further, the user shifts to romance. Romance is  followed by Scientific fiction, and additionally, 

the user chooses to watch thrillers and then back to comedy. These observations show a loop that 

the OTT user follows. After analyzing the results, we assume that the user gets bored watching a 

particular genre, thus changing the mood as they shift to other genres.  

5.

 

LIMITATIONS

 

The  primary  focus  of  the  research  paper  is  to  suggest  a  recommender  system  that  the  OTT 

platforms  could  use  and  develop  using  a  technique  of  Operations  research  called  Assignment 

problem.  This  paper  tries  to  solve  the  assignment  problem  using  randomly  generated  numbers 

which could be a limitation to the efficiency of the recommender system. The backbone of this 

system  is  the  user's  preferences,  likings,  and  viewership.  Therefore  we  cannot  accurately 

recommend  any  new  series/movie  which  is  trending.  Human  brains  are  hard  to  predict,  and  so 

are  their  moods.  Thus,  viewers  tend  to  choose  a  genre  based  on  their  current  state  of  mind. 

Hence, this should be taken into account as well. 

Moreover, the  recommender system  data does  not  consider variables like the user's watch time 

and the time taken to  complete a series.  These details  are  essential to  calculate the  probability. 

The  study  fundamentally  develops  a  simple  recommender  system  that  could  only  work 

effectively in a given scenario. This system does not assess a change in the user's preference over 

time unless the data is collected and the process is repeated. 

6.

 

RECOMMENDATIONS

 

Since  the  recommender  system  is  based  on  the  preferences  of  people,  it  differs  from  person  to 

person.OTT  platforms  give  our  individuals  personalized  suggestions  to  cut  down  the 

disappointment and the time taken to discover something they would like to watch. However, not 

everyone has similar choices. So, in this case, a survey or a method of data collection would have 

been  a  viable  option  as  it  would  have  given  us  a  much  better  outlook  on  viewer's  choices, 

including their favorite genre, instead of relying on randomly generated numbers. 

Additionally, acquiring the information about an individual's total time watching a genre would 

have  made  the  system  more  accurate.  There  is  a  multitude  of  variables  that  would  change  the 

results  of the recommender system  over time.  It  is  also  impossible to always  be correct  for the 

user's motive for watching some specific content. We also need to  consider that people change 

over time, and their fondness for a particular genre is bound to change with age. Often, children 

are more likely to watch animated movies/ series or fictional content because that is what excites 

them the most. However, when they grow into teenagers or adults, they start acquiring a taste of 

their own and might lose their affection towards a particular genre. Overall, this highlights that 

future researchers have an opportunity to improve on this system.